深空背景弱小运动目标检测算法研究

在深入分析监测设备CCD图像特点的基础上,提出了一种深空背景弱小运动目标检测新方法。该算法使用"列高通滤波器"进行背景抑制;采用序列图像多帧累加增强目标与恒星的对比度,用交叉投影法确定星点区域,提取局部星图,利用局部星图匹配剔除恒星干扰;结合候选目标的特征,采用基于逻辑的最近邻关联方法完成目标检测。结果表明,该算法可满足深空背景弱小运动目标实时检测的要求。     

红外序列图像中运动弱小目标检测

为检测红外序列图像中的运动弱小目标,分析了目标在序列图像中的运动特性和概率分布特性,以及目标和噪声在序列中的能量分布特性。提出连续M帧高阶累积方法来增强运动弱目标能量,用假设检验对目标和背景进行分割,通过搜寻序列运动能量中心来实现目标的多帧关联检测。通过仿真实验证明了算法对红外弱小目标检测有效性。     

运动背景下弱小目标的提取算法

 对低信噪比运动背景下序列图像中弱小目标的提取算法进行了研究,提出一种新的目标提取算法。根据运动背景的相关性和目标运动的连续性,采用背景模板匹配技术,计算各帧背景运动量,去除复杂背景,用自适应预估和阈值分割技术捕获跟踪目标。实验中,结合所研究的算法,对100帧包含低对比度弱小目标的运动图像序列进行了处理。实验结果表明,此方法能有效地实现目标的自动捕获与跟踪,跟踪效率高,跟踪稳定。     

红外背景抑制与弱小目标的检测算法

强噪声背景下红外图像中弱小目标的检测一直是研究的重点和难点。根据弱小目标、背景干扰和噪声在红外图像中的差异,研究了三种低信噪比条件下红外图像中弱小目标的检测算法:小波变换、数学形态学、Top—hat算子,分别给出了处理的图像和相应的数据。仿真实验表明:这三种检测算法能十分有效地提高信噪比、增强目标、抑制背景杂波和去除噪声干扰,对信噪比约为2的弱小目标检测能得到很好的结果。三种算法所得结果一致,而且处理速度快,适合于实时图像处理和目标探测。     

复杂背景下红外图像弱小目标检测

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性,提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点,在YOLO检测框架的基础上,通过减少下采样次数,结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络,同时调整检测输出层数量,通过信息复用提高特征利用效率。实验结果表明,本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度,精度和召回率分别为91.9%和94.6%,平均准确率(AP)值达到92.6%,检测速度达到170 f/s,满足实际应用中实时检测的需求。     

基于自适应频域滤波的红外弱小目标检测技术

研究复杂背景下弱小目标检测问题对提高靶场光电设备探测能力具有重要意义.根据红外图像的背景复杂程度,提出一种自适应高斯高通滤波算法.该算法利用改进中值滤波器对图像进行降噪,采用图像方差加权熵,定量描述红外图像背景复杂程度,根据图像背景复杂程度自动调整滤波器截止频率,实现不同背景下红外弱小目标自动检测,并利用靶场实测光电图像对算法进行了验证.实验结果表明该算法能够有效地在不同图像背景下检测到弱小目标.     

复杂背景下运动点目标的检测算法

在复杂背景红外序列图像中,运动点目标的检测一直是研究的重点和难点。介绍了一种新的复杂背景下运动点目标的检测算法。首先根据点目标、背景干扰和噪声在红外图像中的差异,运用窗口大小不同的均值滤波器进行背景抑制以提高图像的信噪比,然后用一种门限法得到新的分割序列图像,最后采用改进后的隔帧差分光流场算法可有效地检测出点目标。仿真实验表明该算法优于传统光流场算法,能够检测帧间位移小于一个像元的运动目标,具有较好的检测性能,且实时性强。     

低对比度弱小目标检测算法

复杂背景中红外弱小目标的检测识别一直是现代化捕获跟踪系统的重要组成部分。要求捕获跟踪系统具备极快的反应速度，就只有及时地发现目标、跟踪目标、及时地捕获和锁定目标。     

基于分类的红外云层背景弱小目标检测方法

提出了一种新的基于模糊分类的红外云层背景弱小目标检测方法.根据红外成像的特点,将红外云层背景弱小目标图像分为三类:边缘类、净空及云中类、弱小目标类;对不同类别图像进行分析,建立了分类模型,并定义了方向特征矢量,将其作为类别的特征矢量;根据模糊分类的理论,定义了类相似系数来判别图像中每一个像素的类别属性,保留弱小目标类的像素点完成检测.实验结果表明,该方法能够对红外弱小目标图像中不同类型的区域进行准确的分类,从而较好的实现了对低信杂比的复杂云层背景图像中的弱小目标检测.     

基于小波域扩散滤波的弱小目标检测

分析了基于小波变换进行弱小目标检测的基本思想,利用小波变换的多尺度多分辨率特性,结合小波变换系数的方向特性和扩散滤波扩散方向的可选择性,提出了基于小波域扩散滤波的弱小目标检测算法。采用该算法对不同尺度、不同方向的小波系数分别进行扩散滤波,取得了较好的效果。仿真试验结果表明：该算法能在Gaussian噪声背景和不均匀背景下实现对对比度为2%的微弱目标的检测。     

A novel infrared small moving target detection method based on tracking interest points under complicated background

Infrared moving target detection is an important part of infrared technology. We introduce a novel infrared small moving target detection method based on tracking interest points under complicated background. Firstly, Difference of Gaussians (DOG) filters are used to detect a group of interest points (including the moving targets). Secondly, a sort of small targets tracking method inspired by Human Visual System (HVS) is used to track these interest points for several frames, and then the correlations between interest points in the first frame and the last frame are obtained. Last, a new clustering method named as R-means is proposed to divide these interest points into two groups according to the correlations, one is target points and another is background points. In experimental results, the target-to-clutter ratio (TCR) and the receiver operating characteristics (ROC) curves are computed experimentally to compare the performances of the proposed method and other five sophisticated methods. From the results, the proposed method shows a better discrimination of targets and clutters and has a lower false alarm rate than the existing moving target detection methods.     

基于灰度特性的海天背景小目标检测

针对复杂海天背景下的小目标检测存在海浪、云层干扰等问题,提出了先提取海天线,然后利用一维最大熵阈值分割法对出现在天空、海面或者海天线附近特定区域的目标进行检测的算法。该算法主要利用天空海面行灰度均值特性,结合梯度运算和形态学运算在海天线的潜在位置中检测边缘,进而用强鲁棒性的Hough变换直线检测法拟合海天线,实现对海天线的准确定位。实验处理分辨率为：256pixel×256pixel的位图时,定位海天线需时4．1ms,检测到目标需时5．3ms,完全满足高帧频图像处理的实时性要求。实验结果表明,该算法能够快速、准确地检测出小目标,大大降低了虚警率。     

Infrared small moving target detection method based on graph matching

We apply graph matching method to detect infrared small moving targets using image sequences. Candidates （interest points） detected in the first frame form one graph and the same candidates in the last frame form another one. The real moving targets are extracted by matching these two graphs. Experimental results demonstrate that the proposed method is robust and efficient to the translation and rotation of the background.     

基于分形特征的复杂背景下扩展目标检测

 将分形面积度量和分形拟合误差相结合,提出一种复杂背景下扩展目标检测方法。运用分形面积度量进行目标和背景的边缘检测,并结合扩展目标特性确定目标所在区域范围,实现初检。计算原始图像各像素分形拟合误差特征,并运用概率松弛迭代法进行分形特征增强,利用增强特征进一步抑制初检结果中的自然背景。最后运用数学形态学操作剔除背景粘连,实现扩展目标精确检测。实验结果表明:该方法能够有效、可靠地检测复杂背景下的扩展目标,并能较好保持目标的外形轮廓。     

基于分形特征的复杂背景下扩展目标检测

将分形面积度量和分形拟合误差相结合,提出一种复杂背景下扩展目标检测方法。运用分形面积度量进行目标和背景的边缘检测,并结合扩展目标特性确定目标所在区域范围,实现初检。计算原始图像各像素分形拟合误差特征,并运用概率松弛迭代法进行分形特征增强,利用增强特征进一步抑制初检结果中的自然背景。最后运用数学形态学操作剔除背景粘连,实现扩展目标精确检测。实验结果表明:该方法能够有效、可靠地检测复杂背景下的扩展目标,并能较好保持目标的外形轮廓。     

The moving target detection algorithm based on the improved visual background extraction

This paper presents a moving target detection algorithm based on the improved visual background extraction. Traditional VIBE (Visual Background Extractor) algorithm is one of the powerful background subtraction algorithm. It can quickly, accurately and integrally detect moving target. However, sometimes it will falsely determine background as foreground and impact detection results. In this paper, we improve the traditional VIBE algorithm by joining TOM (Time of map) mechanism in the process of detection, so it can not only use the pixel’s spatial domain information, but also make full use of the pixel’s time domain information. Experiments detailed in this paper show the algorithm presented in this paper has better detection effect than the traditional VIBE algorithm.     

一种基于正负差图像的运动目标检测新方法

运动目标检测领域中现有的差图像法是利用绝对值差图像检测差图像上运动目标区域，用现有方法检测时易受噪声干扰，而且当摄像机有自运动时需要进行背景运动补偿。因此，提出一种新算法，即首先分别计算正差图像与负差图像，然后利用运动目标区域在正差图像与负差图像中的幅值、形状以及运动等信息的对称性对其进行检测，最后给出针对飞机尾焰序列图像进行检测的结果。实验结果表明：该方法可提高运动目标检测的可靠性与效率。     

基于空时联合稀疏重构的红外小弱运动目标检测方法

提出了一种基于空时联合稀疏重构的红外小弱运动目标检测算法。通过学习序列图像内容而构建的空时联合字典能同时刻画目标或背景的形态特征和运动信息;利用多元高斯运动模式从空时联合字典中提取出目标空时字典和背景空时字典,目标空时过完备字典描述移动的目标,背景空时过完备字典表征背景噪声。将连续多帧图像在空时联合字典上进行稀疏分解,然后分别利用目标空时字典和背景空时字典中的最大稀疏系数及其空时原子重构信号,获取重构残余能量差异来区分目标和背景。试验结果表明,由同源的空时字典重构的残余能量小,而由异构的空时字典恢复的残余能量大,该方法不仅能提高序列信号表示的稀疏度,还能有效提高小运动目标的探测能力。